Nos últimos anos, observamos uma corrida para o estudo e o desenvolvimento de ferramentas tecnológicas de aprendizagem eletrônica que aprimoram o ensino e a aprendizagem. A literatura científica mostra claramente que essas ferramentas podem desempenhar um papel importante em vários processos, como a criação de conteúdo que envolva melhor os alunos, possibilitando a colaboração e a interatividade mesmo em salas de aula grandes e fornecendo ferramentas de tutoria que apoiam o aprendizado. Neste artigo pensando o poder da IA para a aprendizagem do futuro vamos explorar o MyLearningTalk um assistente virtual baseado em IA que facilita o aprendizado.
No complexo processo pelo qual passamos, desde que não sabemos nada sobre um determinado tópico até adquirirmos uma consciência razoável sobre ele, há um momento particularmente valioso em que podemos obter o máximo do efeito transformador.
É o momento do feedback dado por um especialista, que aborda a correção e a integridade do conhecimento e das habilidades demonstradas pelo aluno durante uma avaliação, um exercício ou até mesmo uma discussão oral. Em contextos corporativos, por exemplo, isso ocorre quando um recém-contratado é colocado em contato com um colega sênior para acelerar seu aprendizado.
Embora altamente eficaz, a abordagem individual não é aplicável em ambientes educacionais, onde cada professor precisa atender muitos alunos em sala de aula, geralmente de 20 a 25 em escolas primárias e secundárias e de 50 a 300 em universidades. Em todos esses casos, uma parte significativa do feedback deve ser gerada pelo próprio aluno por meio de testes e exercícios, enquanto o principal feedback do professor geralmente vem apenas no exame final.
Além disso, uma proporção muito desequilibrada entre o número de alunos e o professor dificulta ainda mais a explicação eficaz dos materiais do curso, especialmente se considerarmos que os alunos têm habilidades e necessidades radicalmente diferentes. Seria importante diferenciar as explicações de acordo com as dificuldades de cada aluno, mas isso se mostra uma tarefa impossível.
MyLearningTalk: Nova ferramenta baseada em IA que capacita alunos e professores
Para enfrentar esse desafio, a Universidade Politécnica de Milão, na Itália, está projetando e desenvolvendo o MyLearningTalk (MLT), um assistente virtual baseado em IA que facilita o aprendizado fornecendo suporte personalizado ao aluno.
O MLT não substitui os professores. Em vez disso, ele capacita os alunos a compreender e processar o conteúdo de forma personalizada com base em suas habilidades, permitindo que eles explorem o conteúdo dialogicamente, recebam exemplos apropriados e obtenham feedback personalizado sobre os testes realizados.
Mais especificamente, na metodologia que estamos refinando, o professor personaliza o conteúdo do curso para uso do MLT. Isso significa que o professor ainda é a figura central na sala de aula, dando palestras e ajudando os alunos a realizar atividades didáticas.
Os alunos aproveitam o MLT para complementar as aulas, esclarecer suas dúvidas e aprofundar tópicos de interesse. Os exames continuam sendo padrão e não permitem o uso da ferramenta. Assim, o MLT se torna uma forma de aumentar o conteúdo da sala de aula e aprimorar o aprendizado sem, no entanto, resultar em exames falhos.
Para desenvolver uma ferramenta realmente inovadora, demos grande importância a três elementos principais.
O primeiro diz respeito ao paradigma interativo para o acesso e a utilização do conteúdo. Nessa perspectiva, os modelos de linguagem ampla (LLMs) representam a tecnologia mais adequada, permitindo a interação de linguagem natural entre os usuários e a ferramenta.
Além disso, o uso de inteligência artificial generativa permite extrema flexibilidade na resposta, controlando automaticamente o idioma (recurso essencial para apoiar integralmente a internacionalização universitária), a profundidade das respostas e a geração constante de novas perguntas e exemplos.
Observa-se, entretanto, que a liberdade oferecida pelos LLMs pode ser desorienta para muitos alunos, que podem precisar ou preferir uma interação guiada. Por esse motivo, decidimos equipar o MLT com elementos de interface que facilitam o acesso ao conhecimento, sugerindo interações adicionais que complementam a formulação de solicitações em linguagem natural. Os exemplos incluem botões para geração automática de questionários, insights e mapas conceituais.
O segundo elemento diz respeito à integridade e a correção do conteúdo. Cada curso universitário é baseado em conteúdo personalizado por professores individuais, que geralmente utilizam material de várias fontes, desde livros didáticos, anotações e slides até questionários e vídeos. Em muitos casos, o conteúdo é privado e não é desejável disponibilizá-lo publicamente.
O MLT se beneficia da abordagem de geração aumentada de recuperação (RAG), por meio da qual a recuperação de informações é implementada no conteúdo individual do professor para criar um prompt para o LLM. Deve-se observar que a RAG permite maior controle sobre as respostas produzidas pelo LLM e reduz a probabilidade de alucinações, o que, em um contexto educacional, prejudicaria a confiabilidade da ferramenta e, por sua vez, a confiança dos alunos.
Um dos problemas técnicos a serem resolvidos com a abordagem RAG diz respeito ao uso da matemática. Muitos cursos científicos e de engenharia dependem da matemática para definições, teoremas e algoritmos. Atualmente, o MLT usa documentos escritos em LaTex, a linguagem comumente empregada em artigos científicos, para criar prompts para LLMs.
Os resultados dos LLMs que contêm símbolos ou elementos matemáticos são, por sua vez, produzidos em LaTex, e os símbolos podem ser exibidos na tela por meio de bibliotecas apropriadas. Isso permite que os usuários formulem consultas relacionadas ao conteúdo matemático e que a ferramenta forneça as respostas às suas perguntas.
O problema de gerar automaticamente exercícios numéricos e as soluções para eles, no entanto, permanece em aberto. Essa tarefa é possível para problemas básicos de matemática, mas não para exercícios mais avançados, que precisam ser gerenciados por meio de scripts de código externos conectados ao LLM.
O terceiro aspecto importante diz respeito à personalização da ferramenta com base no aluno individual.
Isso requer o acompanhamento do comportamento do usuário em termos do conteúdo que foi explorado (por exemplo, em quais partes do curso o aluno se concentrou e quanto tempo dedicou a elas) e como o conteúdo foi explorado (por exemplo, se o aluno está acostumado a começar com exemplos e exercícios ou com a teoria).
Uma análise do comportamento do usuário pode ser aproveitada para criar um sistema de recomendação que sugira a qual conteúdo o aluno deve dar mais atenção e qual a melhor forma de abordá-lo, ou seja, se o ponto de partida deve ser a teoria ou a prática. O acompanhamento do comportamento do usuário também permite que os professores avaliem as habilidades do aluno e facilita sua autoavaliação na preparação para os exames.
Resultados preliminares e próximas etapas
Uma versão preliminar do MLT foi experimentada com pequenos grupos de alunos do curso de doutorado Smart Learning Design – um curso de ciências humanas – e do mestrado Algorithmic Game Theory, um curso de matemática e ciência da computação.
Realizamos dois testes principais. O primeiro concentrou-se na exatidão das respostas produzidas pelo MLT. Os professores avaliaram as respostas de muitas perguntas, e os resultados foram considerados muito relevantes e muito mais precisos e completos do que os fornecidos por um LLM sem RAG. Isso demonstra preliminarmente que a abordagem RAG é válida para obter resultados confiáveis.
O segundo teste teve como objetivo entender como os alunos abordam o MLT e se ele desempenha um papel eficaz nos processos cognitivos. Foi observado que os alunos usam a ferramenta para pesquisar informações, agregar os resultados e aprender mais rapidamente do que com os métodos tradicionais. O comportamento observado sugere que o MLT fortalece a eficácia do aprendizado. Estudos mais extensos nos ajudarão a investigar melhor seu impacto.
Além de realizar uma avaliação contínua, as próximas etapas para tornar o MLT um companheiro de aprendizagem bem-sucedido incluem a ampliação da interface do usuário com outros mecanismos interativos para o trabalho com o conhecimento, a consolidação da escalabilidade da arquitetura para um número cada vez maior de cursos universitários e a definição de uma estrutura metodológica para ajudar os professores a monitorar o progresso dos alunos e calibrar melhor suas aulas.
Não é exagero dizer que o MLT está pronto para abrir um mundo totalmente novo de possibilidades no setor educacional.
Autores: Luca Alessandrelli, Tommaso Bianchi, Daniela Casiraghi, Ludovica Piro, Maristella Matera, Susanna Sancassani e Nicola Gatti
Fonte: University World News
Artigo original: https://bit.ly/3W0kQkH
